※ 引述《dick0631 (立志打败邪恶的ETS军团)》之铭言： : ※ 引述《chibamo (机掰毛)》之铭言： : : R-square你可以把他想像成correlation coefficient : : 它衡量的是y与你的一堆x之间线性相关的程度 : : 所以那麽低肯定代表model是有问题的... : : 也许关系不是线性，也许是时序资料 : : 你可以试着画一下scatter plot或用无母数的additive model画一下图 : 如果y,X 关系不是线性，用linear也不是不行。改成这个 y, lnX 模型，R^2增加了， : 但意义大吗？ y, X关系不是线性硬当成线性做的话error term的期望不是0， 违反Guass-Markov condition， 做出来的结果不是unbiased，更不用讨论是不是BLUE，也不会consistent 如果y, lnX的R^2很高代表y, lnX可能有线性关系， 有些资料天生就是这样，硬套用y, X的模型反而不对。 如果都可以用原始的linear作的话我们也不用发展广义线性模型、无母数回归跟 半参数化模型了。 : 若改成 lny,X，R^2能比吗？(如你下一点说的) : 如果是time series data，那麽R^2是不会这麽小的。显然原po用的data是cross section : data吧！ : : R-square不是那麽重要的原因是不同资料或model的值无法互相比较 : : 就算有考虑变数个数做adjust之後还是不能比 : : 但是不代表值那麽低没有问题ˋ(′_‵||)ˊ : R^2值低的问题在哪里？要不要说清楚一点？ : 假想一个例子，R^2-->1，能表示因果关系吗？ 想想R^2的定义，它比较的是我用这个模型估计的结果比起直接用平均数估计 用SSE做衡量标准进步了多少 所以R^2太低代表我这个模型根本没比直接用平均数好多少 那我干嘛用这模型？ 另外回归本来就不能表示因果关系，因果关系需要在实验上设计 那是casual inference探讨的问题。 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 125.225.73.50